R语言中CFA参数估计方差-协方差矩阵非正定问题求助

成因分析 #

• 样本量不足：N=75对于CFA来说偏小。通常CFA要求题项数与样本量的比例至少为1:10（严格场景需1:20），若题项总数超过7-8个，小样本会导致参数估计不稳定，直接引发vcov矩阵非正定。
• 模型设定偏差：
  • 反向计分题处理失误：若反向题的因子载荷符号未正确设置（比如正向题与反向题载荷同号），会破坏因子结构的合理性，引发估计问题。
  • 因子间高度共线性：TPB的因子（如Intention与Attitude、PBC）若相关系数接近1（>0.9），会导致多重共线性，使参数估计的方差-协方差矩阵无法正定。
• 数据质量问题：
  • 题项变异不足：部分题项的评分集中在某一选项（如多数被试选4分），方差趋近于0，导致协方差矩阵本身不稳定。
  • 极端值干扰：个别被试的极端评分会扭曲协方差结构，影响参数估计的稳定性。
• 估计方法不适配：若使用常规最大似然（ML）估计，小样本或非正态数据下，ML的稳定性会下降，容易出现vcov矩阵非正定的警告。

解决方法 #

• 扩充样本量：这是最有效的解决方式，尽量将样本量提升至题项数的10-20倍以上，确保参数估计的稳定性。
• 修正模型设定：
  • 重新核对反向计分题：确认反向题的编码和载荷符号正确，可先通过探索性因子分析（EFA）验证因子结构的合理性。
  • 调整因子结构：若因子间相关性过高，可考虑合并高度相关的因子（需符合TPB理论逻辑），或删除载荷较低的题项（如载荷<0.4）简化模型。
  • 约束参数：对某些参数（如因子间相关系数）施加合理约束，减少估计自由度。
• 清理数据：
  • 删除变异不足的题项：检查题项的标准差，移除标准差<0.5的题项。
  • 处理极端值：用Z分数识别极端值（如|Z|>3），考虑删除对应被试或替换为均值。
• 更换估计方法：小样本或非正态数据下，改用稳健估计方法，比如MLR（稳健最大似然）、WLSMV（加权最小二乘均值和方差调整），这类方法对不稳定数据的适应性更强。
• 检查模型拟合：查看CFI、TLI、RMSEA等拟合指数，若拟合效果极差，需重新审视模型与数据的匹配度，调整因子结构或题项。

内容的提问来源于stack exchange，提问作者Paul